تعلم الآلة في تطوير الأجهزة المحمولة: الآفاق واللامركزية

صباح الخير يا هبر!

ليس لدينا ما نضيفه إلى عنوان المقال في إشعارنا - لذلك ، تتم دعوة الجميع على الفور للمشاركة. نقرأ ونعلق.



سيستفيد مطورو الأجهزة المحمولة من التغييرات الثورية التي يمكن أن يقدمها تعلم الآلة على الأجهزة اليوم. النقطة المهمة هي كيف تعزز هذه التقنية أي تطبيق محمول ، أي أنها توفر مستوى جديدًا من الراحة للمستخدمين وتتيح لك استخدام الميزات القوية بنشاط ، على سبيل المثال ، تقديم التوصيات الأكثر دقة استنادًا إلى تحديد الموقع الجغرافي ، أو اكتشاف الأمراض على الفور في النباتات .

مثل هذا التطور السريع للتعلم الآلي على الأجهزة المحمولة هو الحل لعدد من المشاكل الشائعة التي كان لدينا وقت للتعلم في تعلم الآلة الكلاسيكية. في الواقع ، كل شيء واضح. في المستقبل ، ستتطلب تطبيقات الهاتف المحمول معالجة أسرع للبيانات وخفضًا إضافيًا في زمن الوصول.

ربما تساءلت عن السبب وراء عدم قدرة تطبيقات الجوّال القائمة على الذكاء الاصطناعي على تشغيل الاستدلال المنطقي في السحابة. أولاً ، تعتمد التقنيات السحابية على العقد المركزية (تخيل مركزًا ضخمًا للبيانات حيث تتركز مستودعات البيانات الواسعة وقوة الحوسبة الكبيرة). مع مثل هذا النهج المركزي ، من المستحيل التعامل مع سرعات المعالجة الكافية لإنشاء تفاعلات سلسة متنقلة تعتمد على تعلم الآلة. يجب معالجة البيانات مركزيًا ، ثم إعادة إرسالها إلى الجهاز. هذا النهج يستغرق بعض الوقت والمال ولا يضمن خصوصية البيانات نفسها.

لذلك ، بعد أن أوجزنا هذه المزايا الرئيسية لتعلم الآلة المحمولة ، دعنا نتفحص بمزيد من التفصيل لماذا يجب أن تكون ثورة التعليم الآلي التي تتكشف أمام أعيننا مثيرة للاهتمام بالنسبة لك شخصيًا كمطور للجوال.

تخفيض التأخير

يعلم مطورو تطبيقات الأجهزة المحمولة أن الكمون المتزايد يمكن أن يصبح علامة سوداء للبرنامج ، بغض النظر عن مدى جودة ميزاته أو مدى احترام العلامة التجارية لها. في وقت سابق على أجهزة Android ، حدثت تأخيرات خطيرة في العديد من تطبيقات الفيديو ، نظرًا لأن عرض الفيديو والصوت غالبًا ما كان غير متزامن. وبالمثل ، يمكن لعميل وسائل التواصل الاجتماعي عالية الكمون تحويل الاتصال إلى تعذيب حقيقي للمستخدم.

أصبح تطبيق التعلّم الآلي على الجهاز ذا أهمية متزايدة بسبب مشاكل التأخير هذه. تخيل كيف تعمل مرشحات الصور للشبكات الاجتماعية ، أو توصيات المطاعم فيما يتعلق بتحديد الموقع الجغرافي. في مثل هذه التطبيقات ، يجب أن يكون التأخير ضئيلًا ، وفي هذه الحالة فقط يمكن أن يعمل على أعلى مستوى.

كما ذكر أعلاه ، تكون المعالجة السحابية بطيئة في بعض الأحيان ، ويحتاج المطور إلى التأخير للوصول إلى الصفر - فقط في هذه الحالة ستعمل إمكانات التعلم الآلي في تطبيقات الهاتف المحمول كما ينبغي. يفتح التعلم الآلي على الأجهزة قدرات معالجة البيانات هذه التي تسمح حقًا بتقليل التأخير إلى الصفر تقريبًا.

بدأ صناع الهواتف الذكية وعمالقة التكنولوجيا في إدراك ذلك ببطء. لفترة طويلة ، بقيت شركة Apple رائدة في هذه الصناعة ، حيث طورت عددًا أكبر من الرقائق المتطورة للهواتف الذكية باستخدام نظام Bionic ، الذي يطبق محرك Neural Engine العصبي ، الذي يساعد على دفع الشبكات العصبية مباشرة على الجهاز ، مع تحقيق سرعات لا تصدق .

تواصل Apple أيضًا ، خطوة بخطوة ، تطوير Core ML ، منصة التعلم الآلية الخاصة بها لتطبيقات الأجهزة المحمولة ؛ تضيف مكتبة TensorFlow Lite دعمًا لوحدات معالجة الرسومات ؛ تواصل Google إضافة ميزات تم تحميلها مسبقًا إلى نظام التعلم من ML Kit. مع هذه التقنيات يمكنك تطوير التطبيقات التي تسمح لك بمعالجة البيانات على الفور ، والقضاء على أي تأخير وتقليل عدد الأخطاء.

يعد هذا المزيج من الدقة وتفاعلات المستخدمين غير المباشرة مؤشرا رئيسيا يجب على مطوري تطبيقات الهواتف المحمولة مراعاتهم عند دمج قدرات تعلم الآلة فيهم. ومن أجل ضمان هذه الوظيفة ، يلزم اعتماد التعلم الآلي على الأجهزة .

تعزيز الأمن والخصوصية

فائدة كبيرة أخرى من الحوسبة المتميزة التي لا يمكن المبالغة في تقديرها هي مقدار تحسينها لأمان وخصوصية المستخدمين. يعد ضمان أمان البيانات والخصوصية في التطبيق جزءًا لا يتجزأ من مهام المطور ، خاصة مع مراعاة الحاجة إلى الامتثال لقانون حماية البيانات العامة (GDPR) ، والقوانين الأوروبية الجديدة ، والتي ستؤثر بلا شك على ممارسة تطوير الهاتف المحمول.

نظرًا لعدم الحاجة إلى إرسال البيانات للمعالجة إلى الشمال أو إلى السحابة ، فإن مجرمي الإنترنت لديهم فرص أقل لاستغلال أي نقاط ضعف حدثت أثناء عملية النقل هذه ؛ وبالتالي يتم الحفاظ على سلامة البيانات. هذا يجعل من الأسهل على مطوري تطبيقات الأجهزة المحمولة الامتثال لأنظمة أمان بيانات إجمالي الناتج المحلي.

يوفر التعلم الآلي على الأجهزة أيضًا اللامركزية ، إلى حد كبير على نفس مبدأ blockchain. بمعنى آخر ، يصعب على المتسللين وضع شبكة متصلة من الأجهزة المخفية بهجوم DDoS بدلاً من تنفيذ نفس الهجوم على خادم مركزي. يمكن أن تكون هذه التكنولوجيا مفيدة أيضًا عند العمل مع الطائرات بدون طيار ومراقبة الامتثال للقانون.

كما تساهم رقائق الهواتف الذكية المذكورة أعلاه من Apple في تحسين أمان وخصوصية المستخدم - بحيث يمكن أن تكون بمثابة أساس لجهاز Face ID. تعتمد ميزة iPhone هذه على شبكة عصبية تم نشرها على الأجهزة وجمع البيانات حول جميع الأشكال المختلفة لوجه المستخدم. وبالتالي ، فإن التكنولوجيا بمثابة وسيلة دقيقة للغاية وموثوقة لتحديد الهوية.

هذه المعدات الأحدث التي تدعم AI ستمهد الطريق لتفاعلات المستخدم الأكثر أمانًا مع الهاتف الذكي. في الواقع ، يحصل المطورون على طبقة إضافية من التشفير لحماية بيانات المستخدم.

لا اتصال إنترنت المطلوبة

بصرف النظر عن مشكلات الكمون ، يتطلب إرسال البيانات إلى مجموعة النظراء للمعالجة واستخراج العملاء المتوقعين اتصال إنترنت جيدًا. في كثير من الأحيان ، لا سيما في البلدان المتقدمة ، ليست هناك حاجة للشكوى من الإنترنت. ولكن ماذا تفعل في المناطق التي يكون فيها التواصل أسوأ؟ عندما يتم تنفيذ التعلم الآلي على الأجهزة ، فإن الشبكات العصبية تعيش على الهواتف بمفردها. وبالتالي ، يمكن للمطور نشر التكنولوجيا على أي جهاز وفي أي مكان ، بغض النظر عن جودة الاتصال. بالإضافة إلى ذلك ، يؤدي هذا النهج إلى إضفاء الطابع الديمقراطي على قدرات ML .

الرعاية الصحية هي واحدة من الصناعات التي يمكن أن تستفيد بشكل خاص من تعلم الآلة على الأجهزة ، حيث يمكن للمطورين إنشاء أدوات تحقق من المؤشرات الحيوية ، أو حتى توفر جراحة robos دون أي اتصال بالإنترنت. هذه التكنولوجيا مفيدة أيضًا للطلاب الذين يرغبون في الوصول إلى مواد المحاضرات دون الحاجة إلى اتصال بالإنترنت - على سبيل المثال ، في نفق النقل.

في نهاية المطاف ، سوف يوفر التعلم الآلي على الأجهزة للمطورين أدوات لإنشاء أدوات ستكون مفيدة للمستخدمين من جميع أنحاء العالم ، بغض النظر عن الموقف من اتصال الإنترنت. نظرًا لأن قوة الهواتف الذكية الجديدة لن تقل على الأقل عن الهواتف الحالية ، سينسى المستخدمون مشاكل التأخير عند العمل مع التطبيق دون اتصال بالإنترنت.

خفض التكاليف لعملك

تم تصميم التعلم الآلي على الأجهزة أيضًا لتوفير ثروة لك - لأنه مع ذلك لن تضطر إلى دفع مبالغ للمقاولين الخارجيين الذين سيقومون بتنفيذ ودعم العديد من الحلول. كما ذكر أعلاه ، في كثير من الحالات ، يمكنك الاستغناء عن السحابة وبدون الإنترنت.

تعد GPUs والخدمات السحابية الخاصة بـ AI أكثر الحلول تكلفةً التي يمكنك شراؤها. عند بدء تشغيل الطرز على الجهاز ، لن تضطر إلى الدفع مقابل كل هذه المجموعات ، نظرًا لحقيقة ظهور المزيد من الهواتف الذكية المتطورة اليوم والمجهزة بمعالجات الأشكال العصبية (NPU) .

من خلال تجنب كابوس معالجة البيانات الثقيلة بين الجهاز والسحابة ، يمكنك توفير هائلة. لذلك ، يعد تطبيق حلول التعلم الآلي على الأجهزة مفيدًا للغاية. بالإضافة إلى ذلك ، يمكنك الحفظ لأن متطلبات عرض النطاق الترددي للبيانات تقل بشكل ملحوظ في تطبيقك.

كما يوفر المهندسون أنفسهم إلى حد كبير عملية التطوير ، حيث لا يتعين عليهم جمع وصيانة البنية التحتية السحابية الإضافية. على العكس ، من الممكن تحقيق المزيد مع قوى فريق أصغر. وبالتالي ، فإن تخطيط الموارد البشرية في فرق التطوير أكثر كفاءة.

استنتاج

مما لا شك فيه ، في 2010s ، أصبحت السحب نعمة حقيقية أن معالجة البيانات المبسطة. ولكن التكنولوجيا المتقدمة تتطور بشكل كبير ، ويمكن أن يصبح التعلم الآلي على الأجهزة قريبًا بحكم الواقع ليس فقط في مجال تطوير الأجهزة المحمولة ، ولكن أيضًا في مجال إنترنت الأشياء.

بفضل تقليل زمن الوصول ، وتحسين الأمان ، والميزات في وضع عدم الاتصال ، وأرخص بشكل عام ، ليس من المستغرب أن تراهن أكبر شركات تطوير الهواتف المحمولة على هذه التكنولوجيا. يجب على مطوري تطبيقات الأجهزة المحمولة أيضًا إلقاء نظرة فاحصة عليه لمواكبة العصر.